[論文レビュー] Convex Covering Using Collections of Convex Polygons and Set Cover

Guilherme D. da Fonseca|arXiv (Cornell University)|Jan 1, 2023

Computational Geometry and Mesh Generation被引用数 1

ひとこと要約

本論文は、穴あき多角形を最小の凸多角形集合で被覆する凸被覆問題に対する2段階ヒューリスティクスを提示する。まず、制約付きデローニ三角形分割からの変更版ブロン・カーボシュ法またはランダム化ブローティングを用いて、多数の最大凸多角形を生成し、次に整数計画法とシミュレーテッドアニーリングを用いた反復的制約生成によりセット被覆問題を解く。この手法はCG:SHOP 2023チャレンジで2位を達成し、多様な多角形インスタンスに対して高品質な解を生成した。

ABSTRACT

In the convex covering problem, we are given a convex polygon with holes $P$ and the goal is to cover $P$ using a small number of convex polygons that lie inside $P$. In this paper, we solve the problem using the following strategy. We find a big collection of large (often maximal) convex polygons inside $P$ and then solve several set cover problems to find a small subset of the collection that covers the whole polygon. The quality of our heuristics is confirmed by winning the second place in the CG:SHOP 2023 Challenge.

研究の動機と目的

• 穴あき多角形を被覆するために必要な凸多角形の数を最小化することにより、NP困難な凸被覆問題に対処すること。
• 入力多角形内に多数の最大凸多角形を効率的に生成する手法を開発すること。
• 反復的制約生成とハイブリッド最適化手法を用いて、得られたセット被覆問題を効果的に解くこと。
• オрthogonal多角形や穴の多い多角形を含む多様な多角形インスタンスにおいて、競争力のある性能を発揮することを、CG:SHOP 2023チャレンジを通じて示すこと。

提案手法

• 多角形頂点の可視性グラフ上で修正版ブロン・カーボシュアルゴリズムを用いて、大規模な凸多角形の集合 C を構築する。
• あるいは、制約付きデローニ三角形分割のランダム化ブローティングにより集合を生成し、被覆性とスケーラビリティを確保する。
• 未被覆領域を反復的に被覆するため、動的生成された制約を用いた整数計画法によりセット被覆問題を解く。
• 温度スケジューリングを用いたシミュレーテッドアニーリングを活用し、解空間を探索し、特に難易度の高いインスタンスにおいてIP解を改善する。
• 独立した実行からの解を統合することで、より包括的な候補集合を段階的に精錬する。
• 頂点のウォッチマンと点ベースの制約を用いて未被覆領域を検出し、被覆を完全にするためにソルバーを誘導する。

実験結果

リサーチクエスチョン

• RQ1 可視性に基づく列挙を用いて、穴あき多角形に対して大規模かつ多様な最大凸多角形の集合を効率的に列挙できるか？
• RQ2 ブロン・カーボシュ法とランダム化ブローティングという異なる集合構築戦略が、最終的な解の品質とスケーラビリティに与える影響は何か？
• RQ3 反復的制約生成とハイブリッド最適化（IP＋シミュレーテッドアニーリング）は、凸被覆のセット被覆フェーズにおいてどの程度有効か？
• RQ4 u 個の頂点を持つ多角形に対して、V-最大凸多角形の集合に含まれる線分数に、サブクアドレティックな上限が存在するか？
• RQ5 複数の独立した実行からの解を統合することで、最終的な凸被覆の品質を著しく向上させられるか？

主な発見

• 本手法はCG:SHOP 2023チャレンジで2位を達成し、206インスタンス中128インスタンスで他21チームを上回った。
• 制約付きデローニ三角形を4回繰り返し生成することで、ブロン・カーボシュ法とほぼ同等の解の品質が得られたが、すべてのインスタンスサイズでより優れたスケーラビリティを示した。
• 小規模インスタンスではシミュレーテッドアニーリングによる解は整数計画法よりわずかに劣ったが、大規模なチェージ型インスタンスでは著しく優れた結果を示した。
• 複数の独立した実行からの高品質な解を統合することで、より優れた集合が得られ、単一実行の集合に比べて解のサイズが最大10%まで削減された。
• 制約生成プロセスの反復回数はしばしば少なかったため、ウォッチマン要件に関する理論的境界の可能性が示唆された。
• 穴のない多角形の場合、V-最大凸多角形の列挙は可視性グラフにおける最大クリーク列挙と同等であるが、このクラスに対する効率的な列挙アルゴリズムの開発は未解決の問題のままである。